TY - CHAP A1 - Köhler, Sebastian A1 - Goldhammer, Michael A1 - Bauer, Sebastian A1 - Doll, Konrad A1 - Brunsmann, Ulrich A1 - Dietmayer, Klaus T1 - Early Detection of the Pedestrian’s Intention to Cross the Street T2 - 15th International IEEE Conference on Intelligent Transportation Systems (ITSC 2012), Anchorage, Alaska, USA. KW - Fahrerassistenzsystem KW - Bildverarbeitung Y1 - 2012 UR - http://www5.informatik.uni-erlangen.de/Forschung/Publikationen/2012/Koehler12-EDO.pdf U6 - https://doi.org/10.1109/ITSC.2012.6338797 SP - 1759 EP - 1764 ER - TY - CHAP A1 - Bauer, Sebastian A1 - Köhler, Sebastian A1 - Doll, Konrad A1 - Brunsmann, Ulrich T1 - FPGA-GPU Architecture for Kernel SVM Pedestrian Detection T2 - 2012 IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops, CVPR, San Francisco KW - Field programmable gate array Y1 - 2014 SN - 978-1-4244-7029-7 U6 - https://doi.org/10.1109/CVPRW.2010.5543772 SP - 61 EP - 68 ER - TY - JOUR A1 - Köhler, Sebastian A1 - Goldhammer, Michael A1 - Bauer, Sebastian A1 - Zecha, Stephan A1 - Doll, Konrad A1 - Brunsmann, Ulrich A1 - Dietmayer, Klaus T1 - Stationary Detection of the Pedestrian's Intention at Intersections JF - IEEE Intelligent Transportation Systems Magazine KW - Fahrerassistenzsystem KW - Fußgänger Y1 - 2013 SN - 1939-1390 VL - 2013 IS - 5 SP - 87 EP - 99 ER - TY - CHAP A1 - Goldhammer, Michael A1 - Köhler, Sebastian A1 - Doll, Konrad A1 - Sick, Bernhard T1 - Track-Based Forecasting of Pedestrian Behavior by Polynomial Approximation and Multilayer Perceptrons T2 - Intelligent Systems and Applications - Extended and Selected Results from the SAI Intelligent Systems Conference (IntelliSys) 2015 N2 - We present an approach for predicting continuous pedestrian trajectories over a time horizon of 2.5 s by means of polynomial least squares approximation and multilayer perceptron (MLP) artificial neural networks. The training data are gathered from 1075 real urban traffic scenes with uninstructed pedestrians including starting, stopping, walking and bending in. The polynomial approximation provides an extraction of the principal information of the underlying time series in the form of the polynomial coefficients. It is independent of sensor parameters such as cycle time and robust regarding noise. Approximation and prediction can be performed very efficiently. It only takes 35 ms on an Intel Core i7 CPU. Test results show 28% lower prediction errors for starting scenes and 32% for stopping scenes in comparison to applying a constant velocity movement model. Approaches based on MLP without polynomial input or Support Vector Regression (SVR) models as motion predictor are outperformed as well. KW - Fußgänger KW - Verkehrsverhalten KW - Prognose Y1 - 2016 SN - 978-3-319-33386-1 SP - 259 EP - 279 PB - Springer International Publishing ER - TY - CHAP A1 - Weimer, Daniel A1 - Köhler, Sebastian A1 - Hellert, Christian A1 - Doll, Konrad A1 - Brunsmann, Ulrich A1 - Krzikalla, Roland T1 - GPU Architecture for Stationary Multisensor Pedestrian Detection at Smart Intersections T2 - IEEE Intelligent Vehicles Symposium, Baden Baden, Germany KW - Fahrerassistenzsystem KW - Bildverarbeitung Y1 - 2014 U6 - https://doi.org/10.1109/IVS.2011.5940411 SP - 89 EP - 94 PB - IEEE ER - TY - CHAP A1 - Köhler, Sebastian A1 - Doll, Konrad A1 - Brunsmann, Ulrich T1 - Videobasierte Erkennung von Fußgängerintentionen zur Steigerung der Verkehrssicherheit T2 - Messe-Exponat und Vortrag, Vision 2012, Stuttgart, 06.-08. November KW - Fußgängererkennung KW - Fahrerassistenzsystem KW - Bildverarbeitung Y1 - 2012 ER - TY - CHAP A1 - Köhler, Sebastian A1 - Schreiner, Brian A1 - Ronalter, Steffen A1 - Doll, Konrad A1 - Brunsmann, Ulrich A1 - Zindler, Klaus T1 - Autonomous Evasive Maneuvers Triggered by Infrastructure-Based Detection of Pedestrian Intentions T2 - IEEE Intelligent Vehicles Symposium (IV' 13), Gold Coast, Australien, 23.-26. Juni KW - Evasive Maneuvers KW - Fahrerassistenzsystem KW - Bildverarbeitung Y1 - 2013 U6 - https://doi.org/10.1109/IVS.2013.6629520 SN - 1931-0587 SP - 519 EP - 526 ER - TY - CHAP A1 - Goldhammer, Michael A1 - Hubert, Andreas A1 - Köhler, Sebastian A1 - Zindler, Klaus A1 - Brunsmann, Ulrich A1 - Doll, Konrad A1 - Sick, Bernhard T1 - Analysis on Termination of Pedestrians‘ Gait at Urban Intersections T2 - Intelligent Transportation Systems (ITSC), 2014 IEEE 17th International Conference on KW - Fahrerassistenzsystem KW - Fußgänger Y1 - 2014 U6 - https://doi.org/10.1109/ITSC.2014.6957947 SP - 1758 EP - 1763 PB - IEEE CY - Qingdao, China ER - TY - GEN A1 - Brunsmann, Ulrich A1 - Doll, Konrad A1 - Hellert, Christian A1 - Kempf, Johannes A1 - Köhler, Sebastian A1 - Saxen, Frerk A1 - Weimer, Daniel T1 - Intelligente Verkehrssicherheits- und Informationssysteme T2 - Safety Expo, Aschaffenburg N2 - Poster KW - Verkehrssicherheit Y1 - 2010 N1 - Posterpräsentation und Echtzeitdemonstration ER - TY - CHAP A1 - Köhler, Sebastian A1 - Doll, Konrad A1 - Kebinger, Sophie A1 - Schmitt, Daniel A1 - Kröhn, Michael A1 - Fried, Maik A1 - Börsig, Rainer T1 - Prozessinnovation: Hochautomatisiert lernendes Assistenzsystem für die manuelle Montage N2 - Trotz hoher Automatisierungsgrade in der produzierenden Industrie, sind manuelle Montageprozesse durch den Menschen, sei es aufgrund der geforderten Flexibilität, insbesondere bei kleinen Losgrößen oder der erforderlichen Präzision, unverzichtbar. Um eine hohe Produktivität und niedrige Ausschussraten zu gewährleisten, ist es sinnvoll, den Menschen in seiner Montagetätigkeit zu unterstützen oder zu entlasten. Intelligente Assistenzsysteme können den Menschen dahingehend unterstützen, dass sie bspw. schwere Tätigkeiten kollaborativ übernehmen, Prozesse gezielt steuern oder Informationen bei Bedarf kontextsensitiv bereitstellen. In diesem Beitrag wird das Konzept eines intelligent hochautomatisiert lernenden Assistenzsystems vorgestellt, dessen Ziel es ist, anhand von bereits gelernten Abläufen an einem manuellen Montagearbeitsplatz fehlerhafte Abläufe zu erkennen oder neue valide Abläufe hochautomatisiert und unüberwacht zu lernen. Manuelle Montageprozesse bestehen aus Abfolgen von Handgriffen. Diese Handgriffe werden vom Assistenzsystem als Gesten erkannt und verarbeitet, sodass der Gesamtablauf in Teilschritte zerlegt werden kann. Weiterhin soll dieses Assistenzsystem Informationen zur Behebung des Fehlers direkt am Arbeitsplatz verfügbar machen. Das Assistenzsystem, dessen Architektur in Abb. 1 dargestellt ist, besteht aus einem zustandsgesteuerten, lernenden Steuersystem mit einem Microsoft Kinect-v2-Sensor, der den Arbeitsplatz aus der Überkopfperspektive erfasst und die Montageschritte erkennt. Da das Grundprinzip des Assistenzsystems in der Langzeitbeobachtung und –unterstützung der Montagetätigkeit liegt, werden die kontinuierlich aggregierten Daten zur Erweiterung und Verbesserung des Assistenzsystems genutzt. Es lernt somit hochautomatisiert neue oder abgewandelte Montageabläufe. Hieraus ergibt sich eine Herausforderung an die Bewertung der Güte eines solchen Systems. Während eine hohe Erkennungsrate der einzelnen Aktivitäten innerhalb eines Montageablaufs unabdingbar ist, wird für das vorgeschlagene System darüber hinaus gefordert, dass komplette Abläufe korrekt, d.h. in der richtigen Reihenfolge ohne einzelne Falschklassifikationen, erkannt werden. Nur hierdurch lassen sich real geänderte Abläufe hochautomatisiert und unüberwacht im Zustandsautomat des Steuersystems online einlernen. T2 - Konferenz für Angewandte Automatisierungstechnik in Lehre und Entwicklung (AALE), 2018 KW - Automatisierungstechnik KW - Montage Y1 - 2018 SN - 978-3-8007-4522-7 SP - 153 EP - 164 CY - Köln ER -